首页 / 算法 / 分类与监督学习,朴素贝叶斯分类算法
分类与监督学习,朴素贝叶斯分类算法
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了分类与监督学习,朴素贝叶斯分类算法,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含2107字,纯文字阅读大概需要4分钟。
内容图文
![分类与监督学习,朴素贝叶斯分类算法](/upload/InfoBanner/zyjiaocheng/633/d7d0fa2d96094196a6138f13782f491e.jpg)
1.理解分类与监督学习、聚类与无监督学习。
简述分类与聚类的联系与区别。
简述什么是监督学习与无监督学习。
分类:已有的分类中归类
聚类:聚为未知的若干类
监督学习:从给定的训练数据集中学习出一个函数(模型参数),当新的数据到来时,可以根据这个函数预测结果。
无监督学习:输入数据没有被标记,也没有确定的结果。样本数据类别未知,需要根据样本间的相似性对样本集进行分类。
2.朴素贝叶斯分类算法 实例
利用关于心脏病患者的临床历史数据集,建立朴素贝叶斯心脏病分类模型。
有六个分类变量(分类因子):性别,年龄、KILLP评分、饮酒、吸烟、住院天数
目标分类变量疾病:
–心梗
–不稳定性心绞痛
新的实例:–(性别=‘男’,年龄<70, KILLP=‘I',饮酒=‘是’,吸烟≈‘是”,住院天数<7)
最可能是哪个疾病?
上传手工演算过程。
|
性别 |
年龄 |
KILLP |
饮酒 |
吸烟 |
住院天数 |
疾病 |
1 |
男 |
>80 |
1 |
是 |
是 |
7-14 |
心梗 |
2 |
女 |
70-80 |
2 |
否 |
是 |
<7 |
心梗 |
3 |
女 |
70-81 |
1 |
否 |
否 |
<7 |
不稳定性心绞痛 |
4 |
女 |
<70 |
1 |
否 |
是 |
>14 |
心梗 |
5 |
男 |
70-80 |
2 |
是 |
是 |
7-14 |
心梗 |
6 |
女 |
>80 |
2 |
否 |
否 |
7-14 |
心梗 |
7 |
男 |
70-80 |
1 |
否 |
否 |
7-14 |
心梗 |
8 |
女 |
70-80 |
2 |
否 |
否 |
7-14 |
心梗 |
9 |
女 |
70-80 |
1 |
否 |
否 |
<7 |
心梗 |
10 |
男 |
<70 |
1 |
否 |
否 |
7-14 |
心梗 |
11 |
女 |
>80 |
3 |
否 |
是 |
<7 |
心梗 |
12 |
女 |
70-80 |
1 |
否 |
是 |
7-14 |
心梗 |
13 |
女 |
>80 |
3 |
否 |
是 |
7-14 |
不稳定性心绞痛 |
14 |
男 |
70-80 |
3 |
是 |
是 |
>14 |
不稳定性心绞痛 |
15 |
女 |
<70 |
3 |
否 |
否 |
<7 |
心梗 |
16 |
男 |
70-80 |
1 |
否 |
否 |
>14 |
心梗 |
17 |
男 |
<70 |
1 |
是 |
是 |
7-14 |
心梗 |
18 |
女 |
70-80 |
1 |
否 |
否 |
>14 |
心梗 |
19 |
男 |
70-80 |
2 |
否 |
否 |
7-14 |
心梗 |
20 |
女 |
<70 |
3 |
否 |
否 |
<7 |
不稳定性心绞痛 |
尝试使用3种不同类型的朴素贝叶斯:
3.使用朴素贝叶斯模型对iris数据集进行花分类。
- 高斯分布型
- 多项式型
- 伯努利型
并使用sklearn.model_selection.cross_val_score(),对各模型进行交叉验证。
1 from sklearn.datasets import load_iris 2 from sklearn.naive_bayes import GaussianNB 3 from sklearn.naive_bayes import BernoulliNB 4 from sklearn.naive_bayes import MultinomialNB 5 from sklearn.model_selection import cross_val_score 6 7 # 导入数据 8 iris_data = load_iris() 9 10 # 构建模型 11 g = GaussianNB() # 高斯分布型 12 m = MultinomialNB() # 多项式型 13 b = BernoulliNB() # 伯努利型 14 15 # 交叉验证 16 score_G = cross_val_score(g, iris_data.data, iris_data.target, cv=10) 17 score_M = cross_val_score(m, iris_data.data, iris_data.target, cv=10) 18 score_B = cross_val_score(b, iris_data.data, iris_data.target, cv=10) 19 20 print("模型的评价分:") 21 print("高斯:", score_G.mean()) 22 print("多项式:", score_M.mean()) 23 print("伯努利:", score_B.mean())
内容总结
以上是互联网集市为您收集整理的分类与监督学习,朴素贝叶斯分类算法全部内容,希望文章能够帮你解决分类与监督学习,朴素贝叶斯分类算法所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。